Li-Slotine đã đề xuất thuật toán điều khiển như sau:
F0 H v0 K rD G q0( ) (2.88) Với v qd (qd q) r v q e e (2.89)
Thay phương trình (2.88) vào phương trình (2.27)
H v0( q) K rp (2.90) Tức là H r0 K rp (2.91) Nhân cả 2 vế (2.91) với rT, ta có 0 T T D d r H r r K r dr (2.92) Chọn hàm Lyapunov như sau
2 0 1 ( ) 2 T V r r H r (2.93) Rõ ràng 2 2 2 ( ) 0, ( ) 0 0 ( ) 0, ( ) 0 0 V r V r r V r V r r (2.94) Có nghĩa là 0 r e e
Hay 0 0 d d e q q e q q
Do vậy có thể kết luận thuật tốn Li-Slotine đảm bảo sai số quỹ đạo về 0
Nhận xét:
Các phương pháp điều khiển trên đều đảm bảo sai số quỹ đạo về 0. Tuy nhiên, các phương pháp đều dựa trên mơ hình động lực học lý tưởng và mơi trường làm việc khơng có nhiễu. Trên thực tế, bề mặt ruộng dứa không bằng phẳng, hệ thống nghiêng so với hệ tọa độ gốc các góc ,,tương ứng. Các nhiễu tác động lên trục động cơ có thể kể đến là ma sát trong ở trục, tác động của gió, trễ của đáp ứng cảm biến... Những yếu tố đó làm các thuật tốn điều khiển trên khơng cịn chính xác. Do vậy, cần thiết phải phát triển các thuật tốn có tính bền vững hơn, có khả năng ước lượng và bù nhiễu.
Kết luận chương 2
Từ kết quả thu được, luận án rút ra một số kết luận sau:
1. Luận án đã xây dựng được mơ hình, thiết lập được phương trình động học ngược để xác định lượng dịch chuyển của các khớp tay máy robot, đã xây dựng được mơ hình động lực học tay máy trong các trường hợp lý tưởng và trường hợp thực tế thông qua phương pháp Euler-Lagrange.
2. Đã quy đổi hai mơ hình động lực học về đầu trục động cơ truyền động cho hai khớp, việc quy đổi này phục vụ cho bài toán điều khiển chuyển động của tay máy thu hoạch dứa vì hệ thống truyền động của khớp 1 và 2 tay máy là dẫn động bằng động cơ điện.
3. Đã xác định được mơ hình động lực học thực tế của tay máy thơng qua mơ hình động lực học lý tưởng. Từ đó làm cơ sở khoa học cho việc xây dựng được phương trình điều khiển chuyển động tay máy dựa trên mơ hình động lực học được trình bày tại chương 3. Thơng qua phân tích đặc điểm của sai số mơ
Chương 3
ĐIỀU KHIỂN CHUYỂN ĐỘNG TAY MÁY THU HOẠCH DỨA TỰ ĐỘNG
Từ phân tích nguyên lý hoạt động của tay máy tự động thu hoạch dứa tại mục 2.1.2, thì bước 1 là bước cần phải điều khiển chính chuyển động tay máy chính xác, vì kết quả chuyển động tay máy tại bước này quyết định tới việc tay máy có hạ đúng vị trí quả dứa cần cắt hay khơng. Do vậy, tại chương 3 luận án tiến hành nghiên cứu phương pháp điều khiển chuyển động tay máy cho bước 1. Các bước 2 và bước 3 tay máy hoạt động theo nguyên tắc logic với các tín hiệu được phản hồi về hệ thống điều khiển thơng qua các cảm biến hành trình được gắn trên khung công tác. Nội dung nghiên cứu của chương 3 bao gồm các nội dung sau:
- Luận án tiến hành nghiên cứu bài toán nhận diện quả dứa cần thu hoạch, tức phân biệt quả dứa xanh (bao gồm cả trái non, trái xanh chưa chín) và quả dứa chín. Từ đó luận án tiến hành nghiên cứu việc xác định tọa độ quả dứa cần thu hoạch (quả dứa chín), xác định tọa độ (x y zc, c, c) là đầu vào để giải bài toán động học ngược tại phương trình (2.3) và (2.4) để xác định khoảng di chuyển của tay máy (r r rx, y, z).
- Luận án tiến hành xây dựng phương trình điều khiển chuyển động tay máy, với mục đích tính được mơmen cần thiết đặt trên hai trục động cơ (chính là mơmen mà động cơ cần tạo ra) để các khớp dịch chuyển quãng đường cần thiết (r rx, y), đưa tay máy đến đúng vị trí quả dứa cần thu hoạch.
- Kiểm tra tính đúng đắn của mơ hình động lực học chuyển động (chương 2) và bài toán điều khiển chuyển động (tại chương 3), luận án sử dụng phần mềm Matlab để tiến hành quá trình mơ phỏng, với chương trình Matlab được viết dựa trên phương trình động lực học (chương 2) và thuật toán điều khiển chuyển động (chương 3).
Trong lớp các bài toán nhận diện ảnh, bài toán nhận diện quả dứa và phân loại quả dứa xanh chín được xếp vào nhóm bài tốn nhận diện vật thể. Đặc điểm chung của những bài toán nhận diện vật thể là một bức ảnh chứa nhiều vật thể thuộc nhiều lớp (class) khác nhau. Nhiệm vụ của bài toán là phải đưa ra danh sách tất cả các vật thể thuộc những lớp được chỉ định trong bức ảnh đó, bao gồm thơng tin về toạ độ, lớp của vật thể. Toạ độ của vật thể thường là thơng tin hình chữ nhật bao quanh vật thể đó, hình chữ nhật này có các cạnh song song với các viền của ảnh.
Có nhiều phương pháp giải quyết bài tốn nhận diện vật thể khác nhau. Có thể xếp các phương pháp này vào 2 nhóm:
- Giải quyết theo cơ chế đường ống (pipeline): phát hiện -> phân loại. Nhóm bài tốn này sẽ tìm cách phân tách các vật thể trong một bức ảnh thành các bức ảnh độc lập, sau đó phân loại những bức ảnh đó một cách độc lập. Những giải thuật tiêu biểu là: R-CNN, Fast R-CNN.
- Giải quyết theo cơ chế end-to-end: sử dụng một mơ hình duy nhất để giải quyết đồng thời cả bài toán phân loại và bài tốn xác định vị trí. Thuật tốn tiêu biểu có thể kể đến là YOLO, SSD,...
3.1.1. Thuật toán YOLO
YOLO (You Only Look Once) là thuật toán deep learning giải quyết bài toán nhận diện vật thể. Hiện tại, phiên bản mới nhất của thuật toán này là YOLOv3. Nguyên lý chung của thuật toán YOLOv3.
Huấn luyện một mạng CNN duy nhất để giải quyết cả bài toán nhận diện và bài toán phân loại. Đầu vào của mạng CNN là một bức ảnh, đầu ra là danh sách các vật thể (bao gồm thông tin toạ độ với lớp);
Chia hình ảnh thành một lưới có kích thước MxM ô, mỗi ô này được gọi là 1 grid cell. Mỗi grid cell này dự đốn chính xác B hình bao, bao gồm thơng tin vị trí, kích thước và xác suất mà nó chứa vật thể thuộc 1 trong các lớp chỉ định;
Kích thước các hình bao có một giá trị mặc định, gọi là anchor box. Kết quả của mạng CNN là độ lệch của hình bao thực sự so với giá trị mặc định. Ý tưởng này xuất phát từ nhận xét rằng, với một bộ dữ liệu nhất định, kích thước các vật thể thường không khác nhau quá nhiều. Việc khởi tạo một giá trị mặc định như vậy giúp quá trình huấn luyện mạng CNN diễn ra nhanh hơn, do nếu dự đoán sai, thuật toán tối ưu sẽ điều chỉnh để mạng có xu hướng dự đốn kích thước hình bao gần với giá trị mặc định hơn;
Sử dụng score và IoU để loại đi những vật thể không thực sự tồn tại hoặc trùng lặp. Do YOLO có MxM grid cells và mỗi grid cell ln dự đốn chính xác B hình bao, bất kể có vật thể hay khơng, nên sẽ có nhiều hình bao khơng thực sự chứa vật thể nào. Vì vậy, đầu ra của mạng phải chứa thêm điểm số - biểu diễn khả năng hình bao chứa một lớp vật thể nào đó. Điểm số này phải lớn hơn một ngưỡng nhất định để ta quyết định rằng hình bao đó chứa vật thể. Ngồi ra, với những cặp hình bao có IoU (tỉ lệ diện tích phần giao chia cho phần hợp), ta cũng cần loại bỏ hình bao có score thấp hơn, do mơ hình đã dự đốn lặp lại một vật thể.
Tác giả của thuật toán YOLOv3 đã tạo ra kiến trúc mạng Darknet để áp dụng cho giải thuật của mình. Thơng số kiến trúc dark-net-53 được tải tại địa chỉ: https://github.com/pjreddie/darknet/blob/master/cfg/darknet53.cfg. Đồng thời, tác giả cũng cung cấp bộ trọng số đã được huấn luyện của kiến trúc này tại địa chỉ: https://pjreddie.com/media/files/darknet53.conv.74.
+ Sử dụng mơ hình mẫu máy cắt dứa hình lập phương, kích thước 1,1m x2.4mx1,5m. Gắn camera ở giữa khung cơng tác (hình 2.1). Góc chụp của camera so với phương nằm ngang được xác định trước sao cho có thể nhìn được tồn bộ các quả dứa có trong khung cơng tác, góc chụp được giữ cố định trong quá trình lấy mẫu và quá trình thu hoạch sau này (góc chụp được xác định là 40 độ thì đảm bảo camera nhìn thấy hết tồn bộ các quả dứa trong phạm vi khung công tác).
+ Camera được điều khiển và trả về dữ liệu cho máy tính qua cổng kết nối USB type C. Ảnh trả về bao gồm 1 ảnh JPEG có độ phân giải 1280x720 và 1 ảnh độ sâu.